L'apprentissage par représentation est un paradigme puissant qui permet de découvrir automatiquement, à partir des données brutes, des correspondances de caractéristiques discriminantes, pertinentes et bien organisées, éliminant ainsi le recours traditionnel à l'ingénierie manuelle et artisanale des caractéristiques. Si cette approche a profondément transformé la vision par ordinateur classique, les images biomédicales posent des défis uniques à son application, notamment une rareté extrême des annotations, des variations anatomiques subtiles, des volumes 3D de grande dimension et des décalages de domaine importants entre différents environnements d'imagerie. L'objectif de ce cours est de présenter les principes fondamentaux de l'apprentissage par représentation, d'analyser les défis techniques et cliniques spécifiques rencontrés lors du transfert de ces méthodologies aux données biomédicales, et d'explorer des applications biomédicales concrètes dans diverses modalités d'imagerie.
Évaluation :
La notation sera basée sur les rapports des sessions pratiques (50 %) et sur un examen écrit ou oral (selon le nombre d'étudiants) (50 %)
• Au moins un cours de base en statistiques, probabilités, calcul différentiel, optimisation et algèbre linéaire
• Au moins un cours d’introduction au Deep Learning
• Au moins un cours de base en programmation (Python et PyTorch)
• Concepts de base du traitement d’images et de la vision par ordinateur
• Aucune connaissance préalable en imagerie médicale n’est requise
Prérequis
Connaissance des principes de base de l’optique.
